EduRiskX: neuro-symboliczna AI wykrywa ryzyko akademickie wcześniej

Nowa praca naukowa opublikowana na arXiv przedstawia EduRiskX — hybrydowy system sztucznej inteligencji, który łączy sieci neuronowe z logiką symboliczną, aby wcześniej i skuteczniej wykrywać studentów zagrożonych niepowodzeniem akademickim. Autorzy, Yu Fu, Yongqi Kang, Yong Zhao i Rongfang Bie, twierdzą, że ich rozwiązanie rozwiązuje jeden z najbardziej dotkliwych problemów systemów predykcyjnych w edukacji online: brak przejrzystości decyzji podejmowanych przez modele typu „czarna skrzynka”.

Praca została zgłoszona 12 maja 2026 roku i stanowi rozwinięcie wcześniejszej wersji dostępnej na platformie Research Square. Obecna publikacja prezentuje kompletny neuro-symboliczny framework integrujący transformery czasowe z rozumowaniem opartym na F-Logic.

Kluczowe wnioski

• EduRiskX osiąga dokładność 0,900 i wynik F1 na poziomie 0,894 na koniec semestru (tydzień 38), testowany na zbiorze danych Open University Learning Analytics Dataset (OULAD).
• System wykrywa zagrożonych studentów średnio już w 9,32 tygodnia nauki, ze skutecznością detekcji na poziomie 94,30 procent.
• Model łączy predyktor neuronowy oparty na architekturze Transformer z bazą reguł F-Logic zbudowaną wyłącznie na danych treningowych.
• Baza reguł symbolicznych opiera się na uznanych teoriach pedagogicznych — Teorii Zaangażowania (Engagement Theory) i Modelu Integracji Studenta (Student Integration Model) — co naśladuje logikę diagnostyczną ludzkich nauczycieli.
• W porównaniu z najnowocześniejszymi modelami szeregów czasowych (PatchTST, iTransformer) oraz popularnymi bazowymi sieciami głębokimi (LSTM, CNN), EduRiskX zapewnia wyższą trafność (recall) i wcześniejsze wykrywanie ryzyka w identycznych warunkach testowych.

Problem czarnej skrzynki w edukacyjnej sztucznej inteligencji

Autorzy wskazują, że predykcja ryzyka akademickiego w edukacji online ma kluczowe znaczenie dla umożliwienia szybkich interwencji, które mogą poprawić retencję studentów i wyniki nauczania. Mimo to istniejące modele — mimo swojej skuteczności predykcyjnej — najczęściej cechuje ograniczona zdolność wczesnego wykrywania problemów oraz niedostateczna interpretowalność wyników.

Ten deficyt przejrzystości prowadzi, jak piszą badacze, do „kryzysu zaufania” wobec systemów opartych na czarnej skrzynce, co utrudnia ich praktyczne wdrożenie w rzeczywistych środowiskach pedagogicznych. Nauczyciele i administratorzy uczelni często nie są w stanie zrozumieć, dlaczego dany student został oznaczony jako zagrożony, co ogranicza możliwość podjęcia trafnej i uzasadnionej interwencji.

Jak działa architektura EduRiskX

Rozwiązanie zaproponowane przez zespół badawczy opiera się na dwóch komplementarnych komponentach. Pierwszy to komponent neuronowy, który modeluje sekwencje aktywności studentów w czasie za pomocą uwagi temporalnej (temporal attention), funkcji straty ważonej klasowo (class-weighted loss) oraz dynamicznego tygodniowego przycinania danych (dynamic weekly truncation). Ten element systemu odpowiada za analizę wzorców behawioralnych na podstawie danych longitudinalnych, czyli obejmujących cały okres nauki.

Drugi komponent — działający jako system ekspercki oparty na danych — to baza reguł F-Logic, skonstruowana wyłącznie na podstawie danych treningowych. Reguły te zakotwiczone są w ugruntowanych teoriach edukacyjnych, co pozwala systemowi naśladować sposób rozumowania, jaki stosują ludzcy nauczyciele przy ocenie zaangażowania i integracji studenta ze środowiskiem akademickim.

Oba sygnały — probabilistyczna ocena ryzyka wygenerowana przez sieć neuronową oraz wskaźnik pewności wynikający z reasoningu symbolicznego — są następnie łączone za pomocą mechanizmu fuzji opartego na regresji logistycznej. Mechanizm ten samodzielnie uczy się, jaki jest względny wkład każdego z sygnałów w ostateczną predykcję, co pozwala na optymalne wykorzystanie zarówno mocy predykcyjnej sieci neuronowej, jak i interpretowalności logiki symbolicznej.

Wyniki eksperymentów i znaczenie dla praktyki edukacyjnej

Testy przeprowadzono na zbiorze danych Open University Learning Analytics Dataset (OULAD), przy zastosowaniu rygorystycznego podziału na poziomie studenta w proporcji 80/10/10 (dane treningowe, walidacyjne i testowe). W tych warunkach EduRiskX osiągnął dokładność 0,900 i wynik F1 na poziomie 0,894 na koniec 38-tygodniowego semestru.

Co istotne z perspektywy praktycznej, system był w stanie wykryć ryzyko akademiczne średnio już po 9,32 tygodnia — a więc na wczesnym etapie semestru, kiedy interwencja edukacyjna ma jeszcze realną szansę odwrócić negatywny trend. Wskaźnik wykrywalności na poziomie 94,30 procent oznacza, że system trafnie identyfikował znaczną większość studentów, którzy faktycznie znajdowali się w grupie ryzyka.

Autorzy porównali EduRiskX z czterema innymi podejściami: dwoma nowoczesnymi modelami szeregów czasowych (PatchTST i iTransformer) oraz dwoma powszechnie stosowanymi bazowymi architekturami głębokiego uczenia (LSTM i CNN). W identycznych warunkach eksperymentalnych EduRiskX wypadał lepiej pod względem trafności (recall) i szybkości identyfikacji zagrożenia, niż modele konkurencyjne.

Poza samą wydajnością predykcyjną, moduł F-Logic dostarcza uporządkowane, oparte na regułach wyjaśnienia, które łączą konkretne predykcje z obserwowalnymi wzorcami zachowań studentów oraz teoriami edukacyjnymi stanowiącymi ich podstawę. To właśnie ten element — możliwość „wyjaśnienia” decyzji systemu w kategoriach zrozumiałych dla nauczyciela — ma stanowić odpowiedź na problem nieprzejrzystości modeli czarnej skrzynki, na który wskazują autorzy w części wstępnej pracy.

Podsumowanie

EduRiskX pokazuje, że połączenie sieci neuronowych z klasycznym rozumowaniem symbolicznym, opartym na uznanych teoriach pedagogicznych, może dać systemom edukacyjnym coś więcej niż samą trafność predykcji — zapewnia też interpretowalność, której brakuje w wielu dotychczasowych modelach. Wysoka dokładność (0,900), wczesne wykrywanie ryzyka (średnio w 9,32 tygodnia) i wysoki wskaźnik detekcji (94,30 procent) sugerują, że tego typu podejście neuro-symboliczne może zwiększyć szansę na praktyczne wdrożenie systemów wczesnego ostrzegania w rzeczywistych środowiskach akademickich.